Customized Development and Hardware Optimization of a Fully-Spiking SNN for EEG-Based Seizure Detection
Notice bibliographique
Résumé
We present a customized approach in development of a fully-spiking neural networks (SNNs) tailored for energy-efficient data-driven signal processing in implantable brain neural interfaces. The importance of a customized design lies in its ability to optimize hardware and energy efficiency while maintaining high classification performance. Our approach allows for the customization of key parameters, including quantization resolution of weights and biases, encoding scheme, encoder placement, temporal resolution, neuron type, and internal parameters such as threshold value, resetting process, and refractory period. We demonstrated the efficacy of this customization in improving hardware and energy efficiency through model development, software-based training and testing, and subsequent synthesis using Verilog RTL on FPGAs and ASIC implementation. Performance evaluation using the CHB-MIT dataset showed an average sensitivity of $\mathbf{9 2. 2 \%}$ and specificity of $\mathbf{9 7. 3 \%}$ for seizure detection. The synthesis reports provided insights into the memory, computation, and energy requirements for hardware implementation, highlighting the efficiency and effectiveness of our approach. Our results show that SNN models leads to only 1% drop of sensitivity compared with a 32-bit real-value resolution SCNN model, while offering more than 4 times improvement in memory efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».